فرمت فایل : power point (قابل ویرایش در 72 اسلاید)
توضیح :
یادگیری تقویتی از این رو مورد توجه است که راهی برای آموزش عاملها برای انجام یک عمل از طریق دادن پاداش و تنبیه است بدون اینکه لازم باشد نحوه انجام عمل را برای عامل مشخص نمائیم.
دو استراتژی اصلی برای اینکار وجود دارد:
شرح مختصر : منطق فازی که در آن «زبان طبیعی» به جای متغیرهای عددی برای تشریح رفتار و عملکرد سیستم ها به کار می رود.،بیشترین کاربرد این مقوله به ترتیب در سازماندهی و فراهم آوری اطلاعات بوده است. اکنون برای تضمین امنیت شبکه های اطلاعاتی، از منطق فازی بهره -برداری می شود. در برخی زمینه ها مانند مستند سازی و مدیریت رکوردها نیز تاکنون پژوهشی با موضوع فازی به انجام نرسیده است. در سالهای اخیر، رویکرد عمده این بحث به سمت نظام های خبره و هوش مصنوعی سوق یافته است. به نظر می‌رسد برای حل بسیاری از گره های موجود در حوزه مدیریت اطلاعات، می توان از منطق فازی کمک گرفت.
شبکه های عصبی فازی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.
شبکه های عصبی فازی یک سیستم ارگانی شامل نورونها میباشد که اعمال و واکنش جانداران را هماهنگ می‌سازد و سیگنال‌ها را به بخشهای متفاوت بدن می‌فرستد. در بیشتر جانداران سیستم عصبی شامل دو بخش مرکزی و بخش جانبی است. در استفاده‌های جدیدتر این عبارت به شبکه عصبی مصنوعی که از نورون‌هایی مصنوعی ساخته شده‌است هم اشاره دارد. بنابراین عبارت ‘شبکه عصبی’ در حالت کلی به دو مفهوم مختلف شبکه عصبی زیستی و شبکه عصبی مصنوعی مختلف اشاره دارد.
شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند.
تنظیم پارامترهای شبکه عصبی مصنوعی را میتوان به عنوان یکی از مهمترین مشکلات استفاده از آن عنوان کرد. روش شبکه عصبی فازی نسبت به سایر روش ها قدرت بالایی در شناخت روند موجود بر داده ها دارد و در تمامی روشهای اندازه گیری خطا نسبت به سایر روشها خطای کمتری دارد . نتایج تحقیق بیانگر آن است که روش شبکه عصبی فازی با توجه به میزان کم خطا دارای همگرایی سریع و توانایی تقریب بالایی است و برای پیش بینی مناسب است.
فهرست :
فصل اول: منطق فازی
مقدمه ای بر چیستی منطق فازی
مثالی از منطق فازی در زندگی روزمره
چرا سیستم فازی؟
سیستم های فازی چگونه سیستم هایی هستند؟
سه سیستم فازی وجود دارد
مشکلات عمده سیستم فازی TSK عبارتند از
منطق فازی و مدیریت اطلاعات در کتابخانه
تاریخچه منطق فازی
منطق فازی چیست؟
سیستم های فازی کجا و چگونه استفاده می شوند ؟
کاربردهای منطق فازی
کاربردهای منطق فازی سازماندهی اطلاعات
فصل دوم: شبکه عصبی (Neural Network)
مقدمه
شبکه عصبی
توصیف شبکه های عصبی
شبکه‌های عصبی زیستی
معرفی شبکه عصبی مصنوعی
تاریخچه شبکه‌های عصبی مصنوعی
چرا از شبکه‌های عصبی استفاده می‌کنیم
شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی
شباهت با مغز
شبکه عصبی دقیقاً چیست
ساختار شبکه‌های عصبی
تقسیم بندی شبکه‌های عصبی
ویژگی‌های یک شبکه‌عصبی
روش کار نرون‌ها
نورون عصبی
یک نورون مصنوعی چه شکلی است؟
چطور از یک نورون مصنوعی استفاده می کنید؟
پیاده‌سازی‌های الکترونیکی نرون‌های مصنوعی
مدل ریاضی
کاربرد شبکه‌های عصبی
معایب شبکه‌های عصبی
چگونگی یادگیری شبکه های عصبی
ساختار نورون و لایه ی نورون
تعریف کلاس
توضیح لوپ اصلی
فصل سوم : بررسی ساختار و پارامترهای مهم شبکه های عصبی فازی
مقدمه
یکپارچگی منطق فازی و شبکه های عصبی
برخی از کاربردهای سیستم های فازی عصبی
انواع شبکه عصبی فازی و نوروفازی
پارامترهای مهم سیستم های عصبی فازی
سامانه استنتاج تطبیقی عصبی فازی
موتور استنتاج فازی
انواع موتور استنتاج
تفسیری کامل شبکه تطبیقی بر اساس سیستم های با منطق فازی
مرور ادبیات
تعیین معیار های عملکرد شبکه عصبی مصنوعی همراه با وزن هریک از آنها
تعیین عوامل کنترلی که بیشترین تاثیر را بر روی معیارهای عملکرد تعیین شده دارند
آنالیز واریانس هر یک از معیارهای عملکرد به صورت جداگانه
استفاده از روش برنامه ریزی فازی جهت یافتن بهترین ترکیب عوامل کنترلی تاثیرگذار
مثال عددی
تعیین معیارهای عملکرد شبکه عصبی مصنوعی همراه با وزن هر یک از آنها
تعیین عوامل کنترلی که بیشترین تاثیر را بر روی معیارهای عملکرد تعیین شده دارند
آنالیز واریانس هر یک از معیارهای عملکرد بصورت جداگانه
تکنیک تبدیل هدف را دنبال میکند :
استفاده از روش برنامه ریزی فازی جهت یافتن بهترین ترکیب عوامل کنترلی تاثیر گذار
تحقیقات و پژوهش های صورت گرفته در زمینه استفاده از شبکه های عصبی فازی
پیش بینی عوامل موثر بر قیمت طلا
مدل سازی پیش بینی قیمت سهام
مدل سازی پیش بینی با استفاده از شبکه عصبی فازی : قیمت نفت
مدلسازی پیش بینی جایگاه تیم ملی فوتبال ایران در رده بندی فیفا با استفاده از شبکه های عصبی فازی
برنامه ریزی تعمیرات و نگه داری پیش گویانه ایستگاه های گاز با رویکرد PCA و شبکه های عصبی فازی
نتیجه گیری
مقایسه مغز مهره داران:
1- مثل انسان شامل مغز و نخاع (مرکزی) و محیطی است.
2- وزن مغز پستانداران و پرندگان بیشتر از سایرین است.
3- چین خوردگی مخ انسان سایر پریمات ها وال
4-نوع فعالیت بیشتر اندازه بخش تنظیم کننده بیشتر
مثال:
وال ایجاد ارتباط صوتی پردازش کننده صدا ، مخ بزرگتر
مناسب برای دانش آموزان و دبیران و اولیا
برای دانلود کل پاورپوینت از لینک زیر استفاده کنید:
لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل: PowerPoint (قابل ویرایش و آماده پرینت)
تعداد اسلاید18
اهداف جزئی
لینک دانلود کمی پایینتر میباشد
تحقیق رشته کامپیوتر با عنوان سیستم های مبتنی بر شبکه عصبی
شبکه‌های عصبی مصنوعی (Artificial Neural Network - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روشهای محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلولها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیریاند. مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونه‌ای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند.
توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‌ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده نورون، نئورونها، "PE" ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‌ای از گرهها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح"شبکه‌های عصبی" اطلاق می‌شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.
و ...
در فرمت ورد
در 46 صفحه
قابل ویرایش